Generalized Additive Models for Exceedances of High Thresholds With an Application to Return Level Estimation for U.S. Wind Gusts
高阈值超越的广义可加模型及其在美国阵风重现水平估计中的应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以分位数回归定义高阈值并对超越量建模，核心是分位数与极端值分布效应，故对应分位数与分布效应方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高阈值超越的广义可加模型及其在美国阵风重现水平估计中的应用
- 研究问题
- 如何用广义可加模型刻画极端值分布的时空变化，并据此估计美国极端阵风风速的重现水平。
- 方法与思路
- 摘要称采用两阶段程序：先用分位数回归以固定分位数定义并估计高阈值，识别超越值；再对超越量用广义帕累托分布建模，阈值与GPD参数均采用GAM形式，平滑参数由限制最大似然直接估计。
- 材料陈述的贡献
- 作者提出将GAM形式用于阈值与GPD参数的两阶段极值建模框架，并称限制最大似然提供了客观且相对较快的推断方式；摘要称据此绘制了美国年度最大阵风风速极端分位数的重现水平地图。
- 阅读关注点
- 应核对阈值分位数与GPD参数的识别与平滑设定、限制最大似然估计的推断性质、两阶段估计的不确定性如何传递，以及重现水平地图的验证与空间外推合理性。
- 阅读边界
- 仅有摘要，未注明稿件版本，无法判断是否经同行评审；摘要未说明数据来源与时段、阈值分位数取值、模型诊断、不确定性度量及具体数值结果。
原文摘要
Generalized additive model (GAM) forms offer a flexible approach to capturing marginal variation. Such forms are used here to represent distributional variation in extreme values and presented in terms of spatio-temporal variation, which is often evident in environmental processes. A two-stage procedure is proposed that identifies extreme values as exceedances of a high threshold, which is defined as a fixed quantile and estimated by quantile regression. Excesses of the threshold are modelled with the generalized Pareto distribution (GPD). GAM forms are adopted for the threshold and GPD parameters, and directly estimated—in particular smoothing parameters—by restricted maximum likelihood, which provides an objective and relatively fast method of inference. The GAM models are used to produce return level maps for extreme wind gust speeds over the United States, which show extreme quantiles of the distribution of annual maximum gust speeds. Supplementary materials for this article are available online.